مدلهای هوش مصنوعی تا به امروز در درک متن بسیار پیشرفته بودند، اما در «استدلال منطقی» بر پایه صوت (Audio) ضعف داشتند. حالا محققان با معرفی فریمورک «X$^3$-OPD»، این مشکل را حل کردهاند.
این متد جدید با انتقال قدرت استدلال از مدلهای متنی به مدلهای صوتی، به آنها کمک میکند تا حتی از صداهای محیطی و مکالمات هم استدلالهای منطقی و پیچیدهای استخراج کنند. در واقع، این یعنی هوش مصنوعی حالا نه فقط «میشنود»، بلکه «میفهمد» و «استدلال» میکند!
این پیشرفت کاربرد بسیار زیادی در تحلیل جلسات، درک صحنههای صوتی پیچیده و دستیارهای صوتی هوشمندتر خواهد داشت. 🧠🎧
منبع: arXiv Machine Learning